Introduction

Les Demandes de Valeurs Foncières consituent un ensemble de données sur les transactions immobilières en France. Il est produit par la Direction Générale des Finances Publiques. Ces données ont été récupérées sur le lien suivant :

https://www.data.gouv.fr/fr/datasets/demandes-de-valeurs-foncieres/ https://www.tutorialspoint.com/plotly/plotly_quick_guide.htm

Les données sont réparties sur 5 années de 2016 à 2020.

Imports

!pip install plotly

Requirement already satisfied: plotly in /usr/local/lib/python3.7/dist-packages (4.4.1)
Requirement already satisfied: six in /usr/local/lib/python3.7/dist-packages (from plotly) (1.15.0)
Requirement already satisfied: retrying>=1.3.3 in /usr/local/lib/python3.7/dist-packages (from plotly) (1.3.3)

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import plotly.express as px
import plotly.graph_objects as go
import plotly
plotly.offline.init_notebook_mode()
#converter
from pandas.plotting import register_matplotlib_converters
register_matplotlib_converters()

import warnings
warnings.filterwarnings('ignore')

Chargement des données

from google.colab import drive
drive.mount('/content/drive')

Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).

df2020 = pd.read_csv("valeursfoncieres-2020.txt",sep='|')
df2019 = pd.read_csv("valeursfoncieres-2019.txt",sep='|')

#print(df2019.info())

Préparation des données

On commence par observer les données : les colonnes non pertinentes en termes de contenu ou de libellé vont être enlevées par la suite.

#for col in df2020:
    #print("###",col,"\n",df2020[col].value_counts())

On drop ensuite les colonnes que l'on ne souhaite pas utiliser.

    
df2020=df2020.drop(['Code service CH','Reference document','1 Articles CGI','2 Articles CGI','3 Articles CGI','4 Articles CGI','5 Articles CGI','No disposition','No voie','B/T/Q','Type de voie','Code voie','Voie','Code postal','Code commune','Prefixe de section','Section','No plan','No Volume','1er lot','Surface Carrez du 1er lot','2eme lot','Surface Carrez du 2eme lot','3eme lot','Surface Carrez du 3eme lot','4eme lot','Surface Carrez du 4eme lot','5eme lot','Surface Carrez du 5eme lot','Nombre de lots','Code type local','Identifiant local','Nature culture speciale'], axis=1)
df2019=df2019.drop(['Code service CH','Reference document','1 Articles CGI','2 Articles CGI','3 Articles CGI','4 Articles CGI','5 Articles CGI','No disposition','No voie','B/T/Q','Type de voie','Code voie','Voie','Code postal','Code commune','Prefixe de section','Section','No plan','No Volume','1er lot','Surface Carrez du 1er lot','2eme lot','Surface Carrez du 2eme lot','3eme lot','Surface Carrez du 3eme lot','4eme lot','Surface Carrez du 4eme lot','5eme lot','Surface Carrez du 5eme lot','Nombre de lots','Code type local','Identifiant local','Nature culture speciale'], axis=1)
#df2020.head()

On remplace les valeurs vides par des NaN.

df2020 = df2020.replace('', np.nan).fillna(0)
df2019 = df2019.replace('', np.nan).fillna(0)
#df2020.head()

On effectue les conversion nécessaires sur les données : les nombres entiers en entiers, les décimaux en float, les dates en datetime.

df2020["Nombre pieces principales"] = pd.to_numeric(df2020["Nombre pieces principales"],downcast='integer')
df2020["Valeur fonciere"] = df2020["Valeur fonciere"].replace({',': '.'}, regex=True)
df2020["Valeur fonciere"] = pd.to_numeric(df2020["Valeur fonciere"],downcast='float')
df2020['Code departement'] = df2020['Code departement'].astype(str)
df2020['Date mutation'] = pd.to_datetime(df2020['Date mutation'], format='%d/%m/%Y')

df2019["Nombre pieces principales"] = pd.to_numeric(df2019["Nombre pieces principales"],downcast='integer')
df2019["Valeur fonciere"] = df2019["Valeur fonciere"].replace({',': '.'}, regex=True)
df2019["Valeur fonciere"] = pd.to_numeric(df2019["Valeur fonciere"],downcast='float')
df2019['Code departement'] = df2019['Code departement'].astype(str)
df2019['Date mutation'] = pd.to_datetime(df2019['Date mutation'], format='%d/%m/%Y')

df2020.head()

	Date mutation	Nature mutation	Valeur fonciere	Commune	Code departement	Type local	Surface reelle bati	Nombre pieces principales	Nature culture	Surface terrain
0	2020-01-07	Vente	8000.0	CEYZERIAT	1	0	0.0	0	T	1061.0
1	2020-01-02	Vente	2175.0	LAIZ	1	0	0.0	0	BT	85.0
2	2020-01-02	Vente	2175.0	LAIZ	1	0	0.0	0	T	1115.0
3	2020-01-02	Vente	2175.0	LAIZ	1	0	0.0	0	T	1940.0
4	2020-01-02	Vente	2175.0	LAIZ	1	0	0.0	0	T	1148.0

Analyse sur l'année 2020

On regarde les nombre de transactions sur l'ensemble de l'année 2020 à titre informatif.

print("Nombre de transactions sur 1 an : ",len(df2020.index))

Nombre de transactions sur 1 an :  2459560

On regarde ensuite l'évolution du nombre de transactions au cours de l'année.

#nb_ventes_per_date
df=df2020[['Nature mutation','Date mutation']]

df = df2020[df2020['Nature mutation']=='Vente'].groupby(df2020['Date mutation'].dt.weekofyear)['Nature mutation'].count().reset_index(name= 'Count')
df.head()

fig=px.line(df,x="Date mutation",y="Count")
fig.update_layout(title='Nombre de ventes par semaine en 2020',
                   xaxis_title='Semaine',
                   yaxis_title='Nombre de ventes')
fig.show()

On observe tout d'abord sur les 10 premières semaines une moyenne de 55 000 mutations par semaine. Ensuite, on observe une chute flagrante du nombre de mutation sur la période des semaines 13 à 19 environ, qui correspond à la période du premier confinement. Le reste de l'année est fait de violentes fluctuations, avec notamment une grosse baisse à la 33è semaine.

1 Analyse financière

On analyse ensuite les données d'un point de vue financier. On commence par tracer un histogramme représentant la distribution des valeurs foncières des mutations.

# distribution_valeur_fonciere
df=df2020[["Valeur fonciere"]]
df=df[df["Valeur fonciere"] < 1000000]


fig = px.histogram(df, x="Valeur fonciere", title="Distribution des valeurs foncières des transactions en 2020")


fig.show()

On observe sur la distributin que la plupart des valeurs foncières se trouvent entre 0 et 400 000 euros. On observe tout au long de l'axe x de nombreux pics, dus aux arrondis, ces pics sont entourés de part et d'autres de creux par rapport à la tendance. Par la suite, on regarde la distribution des prix au m2 des mutations, analyse plus relative que la précédente.

#distribution_prix_m2
df=df2020
df['Surface reelle bati']=df2020[df2020['Surface reelle bati']>0]['Surface reelle bati']

df['prix m2']=df2020["Valeur fonciere"]/df['Surface reelle bati']
#df.head()
df=df[df['prix m2'] < 15000]
df=df['prix m2'][0:10000]


fig = px.histogram(df, x="prix m2", title="Distribution des prix au m2 des transactions en 2020")


fig.show()

Sur la distribution des prix au m2, on observe que la valeur la plus représentée est de 1800euros le m2, contre une moyenne entre 3000 et 3500 euros/m2 environ. On remarque que cette distribution a un aspect presque normale. On s'interesse ensuite à ce même prix au m2, cette fois si en fonction de la nature de la mutation.

# m2_per_mutation
df=df2020[["Surface terrain","Valeur fonciere",'Nature mutation']]
df=df[df["Surface terrain"] != 0]
df["prixm2"]=df["Valeur fonciere"]/df["Surface terrain"]
df=df[['Nature mutation',"prixm2"]]
df=df.groupby('Nature mutation').mean().sort_values("prixm2",ascending=False).reset_index()
print(df.head())
fig = px.bar(df, x='Nature mutation', y="prixm2", title="Prix au m² en fonction de la nature de la mutation en 2020")
fig.show()

                      Nature mutation        prixm2
0  Vente en l'état futur d'achèvement  58974.424738
1               Vente terrain à bâtir   4193.558754
2                               Vente   3164.641689
3                             Echange   2320.464162
4                        Adjudication   2318.062003

On observe que le prix au m2 est très largement supérieur pour les ventes en l'état futur d'achèvement. On suppose que cela est peut-être dû au mauvais remplissage de la surfacen étant donné que celle-là n'est peut être pas encore connue (bien non achevé). Cela reste une supposition, de plus amples recherches vont être effectuées par la suite.

On se concentre ensuite sur le prix en fonction du type de bien concerné. On regarde tout d'abord la proportion des types de biens parmi les mutations.

Analyse financière en fonction du type de bien

#proportion_types_biens

dftemp=df2020[df2020['Type local']!=0].groupby('Type local').size().reset_index(name='counts')
#dftemp.head()
                       
fig=px.pie(dftemp, values='counts',names='Type local',title="Proportion des différents types de biens parmi les transactions en 2020")
fig.show()

On observe que les maisons dominent avec 40 %, suivie par les appartements à 30% et les dépendances à 22%.

On regarde ensuite la distribution du prix au m2 par type de bien.

#distribution_prix_m2_par_type
df=df2020[['Surface reelle bati','Valeur fonciere','Type local']]
df=df[df['Surface reelle bati']>0]
#National => Etude+widget pour chaques département

df['Prix m2']=df["Valeur fonciere"]/df["Surface reelle bati"]
df=df[df['Prix m2']<15000]
df.pop('Surface reelle bati')
df.pop('Valeur fonciere')


fig = px.histogram(df, x="Prix m2", color="Type local", barmode="overlay",title="Distribution des prix au m2 en fonction des types de biens en 2020")
fig.show()

On observe une concentration bien plus marquée pour les maisons autour des 1800 euros du mètre carré, contre un prix au m2 beaucoup plus dilué pour les appartements. Les prix au m2 bas (moins de 1000) sont beaucoup moins représentés, et les prix très élevés (>4000) beaucoup plus fréquents que pour les maisons.

On focalise ensuite notre étude sur les terrains parmi ces mutations.

2 Travail sur les terrains

On regarde tout d'abord la proportion des mutations qui comprennent un terrain.

# prop_terrain_taille
d = {'Terrain': [False if el<=10 else True for el in df2020['Surface terrain']]}

df = pd.DataFrame(data=d)
#df.head()

df=df.groupby('Terrain').size().reset_index(name='counts')

fig=px.pie(df, values='counts',names='Terrain',title='Proportion des mutations comprenant un terrain en 2020')
fig.show()

Plus des 2/3 des mutations comprennent un terrain de plus 10m2. Ensuite on regarde la distribution de la surface de ces terrains.

# histo_surface
df=df2020[["Surface terrain"]]
df=df[df["Surface terrain"] > 10][0:100000]
df=df[df["Surface terrain"] < 10000]


fig = px.histogram(df, x="Surface terrain",title='Distribution de la surface des terrains en 2020')


fig.show()

Sur le graphique de la distribution des surfaces de terrain, on observe que la majorité des terrains ont une surface inférieure à 3000 mètres 2, même si certains terrains ont une superficie de 10 000 m2 et plus. Les terrains de petites surfaces sont les plus nombreux avec plus de 6000 unités pour des surfaces de 0 à 50 et de 50 à 100 m2.

On veut ensuite s'interresser aux surfaces de terrain en fonction de la nature de la mutation. On regarde d'abord les proportions des différentes types de transactions.

Différences en fonction de la nature de la mutation

# prop_nature_mutation
dftemp=df2020.groupby('Nature mutation').size().reset_index(name='counts')
#dftemp.head()
fig=px.pie(dftemp, values='counts',names='Nature mutation', title='Proportion des natures des mutations en 2020')
fig.show()

On observe très largement une majorité de ventes, ainsi que quelques ventes en l'état futur d'achèvement. Les autres types de transactions sont minoritaires. On trace ensuite la moyenne des surfaces des terrains pour chacun de ces types de transactions.

# Surface de terrain moyenne en fonction de la nature de la mutation
# surface_moy_per_mutation
df=df2020[['Nature mutation','Surface terrain']]
df=df.groupby('Nature mutation').mean().sort_values("Surface terrain",ascending=False).reset_index()
print(df)

fig = px.bar(df, x="Surface terrain", y="Nature mutation", orientation='h', title="Surface de terrain moyenne en fonction de la nature de la mutation")
fig.show()

                      Nature mutation  Surface terrain
0                             Echange      3726.044454
1                               Vente      2109.190618
2               Vente terrain à bâtir      1809.657470
3                       Expropriation      1551.709571
4                        Adjudication      1391.208090
5  Vente en l'état futur d'achèvement        23.973600

Tout d'abord, on observe très nettement que la moyenne des surfaces des terrains pour lesquels la transaction est une vente en l'état futur d'achèvement est presque nulle. Cela confirme la théorie exposée précédement pour un prix au m2 particulièrement élevé dans cette catégorie.

Ensuite, on remarque que la moyenne la plus élevée est celle pour les échanges. Les échanges comportent donc un intérêt soutenu pour les grands terrains.

Par la suite, on regarde la proportion de la nature des cultures en fonction du type de mutation. Ce graphique est donc dynamique (sur Django). Ici on prend par exemple les échanges, étant donnée leur moyenne élevée sur le graphique précédent.

# Graph dynamique
# Proportion des natures des cultures en fonctions de la nature de la mutation
# prop_nature_from_mutation
type_mutation="Echange" #All from Nature mutation
df=df2020[df2020['Nature mutation']==type_mutation][['Nature culture','Surface terrain']].rename(columns={'Surface terrain': 'Count'}) #Surface terrain is used only as a gateway column for the count
df=df.groupby("Nature culture").count().drop(0).sort_values("Count",ascending=True).reset_index()
print(df.head())
fig = px.pie(df, values="Count", names='Nature culture' , title="Proportion des natures des cultures sur les "+type_mutation.lower()+"s" ,width=900, height=900)
fig.show()

  Nature culture  Count
0             TP      1
1             BO      2
2             CH      3
3             CA      5
4             PC     24

Sur ce camembert, on observe que les natures de cultures sont nombreuses, les plus représentés étant les terres (T) et les sols(S).

On passe ensuite à une phase d'étude géographique.

3 Etude Géographique

Les 2 premiers graphiques présentés ici ont été mis sou forme de cartes, format plus visuel, sur django.

On commence ici par regarder le nombre de transactions pour chaque département.

#nb de vente/departement france 
#vente_per_departement

df=df2020[['Nature mutation','Code departement']]

df=df[df['Nature mutation']=='Vente'].groupby('Code departement').count().rename(columns={'Nature mutation': 'Nb de ventes'}).reset_index()
#df.head()

fig=px.bar(df, x="Code departement",y="Nb de ventes",title="Nombre de ventes par départements de France")
fig.update_layout(
xaxis_type = 'category'
)
fig.show()

Les départements ayant enregistrés le plus de transactions en 2020 sont le 33 le 44 et le 59. Ceux avec le nombre de transactions les plus faibles sont le 2B, le 12 et le 971.

On regarde ensuite les surfaces moyennes par département.

#grandeur des terrains par département
#terrains_per_departement
df= df2020[['Surface terrain','Code departement']]
df=df[df['Code departement']<'95']
df=df[df['Surface terrain']>0].groupby('Code departement').mean().reset_index()

df.head()


fig=px.bar(df,x= 'Code departement', y='Surface terrain', title= "Surface moyenne des terrains par département en m2")
fig.update_layout(
xaxis_type = 'category'
)
fig.show()

Sur ce graphique, on ne remarque pas de démarcation nette à la hausse pour certains départements. Cependant, certains départements ont des surfaces très basses : le 75 er le 93, deux départements d'Ile-de-France très urbanisés, et donc avec une densité de population élevée et donc des surfaces faibles.

On s'intéresse par la suite au prix au m2 pour les départements d'Ile-de-France uniquement.

#prix au m² des différents départements d'une même région => IDF 
#m2_moyen_IDF
df= df2020[['Surface reelle bati','Code departement','Valeur fonciere']]
df=df[df['Surface reelle bati']>0]

df=df[df['Code departement'].isin(['75','77','78','91','92','93','94','95'])]

df['prix m2']=df["Valeur fonciere"]/df['Surface reelle bati']
df=df.groupby('Code departement')['prix m2'].mean().reset_index(name='Moyenne')
df.head()
fig = px.bar(df,x='Code departement',y='Moyenne', title="Prix au m² moyen des départements d'île de France")
fig.update_layout(
xaxis_type = 'category'
)
fig.show()

On peut observer deux tendances sur ce graphique. Tout d'abord, les départements au centre, plus petits, de l'Ile-de-France ont un prix au m2 assez élevé, environnant les 150 000 euros au m2.

D'autre part, le 77, 78 et 91, trois grands départements plus ruraux, ont des prix au m2 bien plus base, approximativement 15 000 euros/m2.

On se concentre par la suite sur une comparaison entre les années 2019 et 2020.

4 Comparaison 2019 - 2020

Comparaison du nombre de transactions

On regarde tout d'abord le nombre de transactions total par année.

print("Nombre de transactions sur 2019 : ",len(df2019.index))
print("Nombre de transactions sur 2020 : ",len(df2020.index))

Nombre de transactions sur 2019 :  3533211
Nombre de transactions sur 2020 :  2459560

On regarde ensuite ce nombre de transactions évoluer au cours de l'année.

data2020 = df2020[["Date mutation"]]
data2019= df2019[["Date mutation"]]

#On convertit la date pour ne pas garder l'année
data2020['Month-Day'] = data2020['Date mutation'].dt.strftime('%m-%d')
data2019['Month-Day'] = data2019['Date mutation'].dt.strftime('%m-%d')

data2020=data2020.groupby('Date mutation')['Month-Day'].count().reset_index(name='counts')
data2019=data2019.groupby('Date mutation')['Month-Day'].count().reset_index(name='counts')

#on regroupe par semaine
data2020=data2020.groupby(data2020['Date mutation'].dt.weekofyear)['counts'].sum().reset_index(name='counts')
data2019=data2019.groupby(data2019['Date mutation'].dt.weekofyear)['counts'].sum().reset_index(name='counts')

fig = go.Figure()
fig.add_trace(go.Scatter(x=data2020['Date mutation'], y=data2020['counts'], name="2020",))
fig.add_trace(go.Scatter(x=data2019['Date mutation'], y=data2019['counts'], name="2019"))

fig.update_layout(title='Nombre de mutations par semaine en 2019 et 2020',
                   xaxis_title='Semaine',
                   yaxis_title='Nombre de transactions')

fig.show()

On observe tout d'abord que le nombre de transactions de 2020 observe une baisse flagrante autour de la période du confinement strict de Mars-Avril-Mai, dû à la fermeture des agences et l'impossibilité de se déplacer. Avant cette période les courbes de 2019 et 2020 étaient très proches, excepté pour la première semaine. Celle-ci a probablement été plus courte à cause du nouvel an (d'ailleurs, on constate une semaine de plus pour 2020, ce qui est cohérent). Suite au premier confinement, la courbe de 2020 observe des variations similaires à celles de 2019, mais en restant toujours beaucoup plus basse (d'environ 25 % en moyenne) à cause de la situation sanitaire. Sur les 2 courbes, on constate une baisse en été due à la fermeture/baisse d'effectifs, et une hausse en fin d'année.

On s'intéresse ensuite à la proportion des types de biens observées parmi les mutations de 2019 et 2020.

#proportion_types_biens_2019

data2019=df2019[df2019['Type local']!=0].groupby('Type local').size().reset_index(name='counts')
data2020=df2020[df2020['Type local']!=0].groupby('Type local').size().reset_index(name='counts')

#data2020.head()


from plotly.subplots import make_subplots

labels=['Appartement','Dépendance','Local industriel. commercial ou assimilé','Maison']

fig = make_subplots(1, 2, specs=[[{'type':'domain'}, {'type':'domain'}]],
                    subplot_titles=['2019', '2020'])
fig.add_trace(go.Pie(labels=labels, values=data2019['counts'], scalegroup='one'), 1, 1)
fig.add_trace(go.Pie(labels=labels, values=data2020['counts'], scalegroup='one'), 1, 2)

fig.update_layout(title_text='Proportion des types de biens pour les transactions de 2019 et 2020')
fig.show()

En 2020, on observe une augmentation par rapport à 2019 de la proportion de maisons, et une baisse des appartements. Cela est sûrement dû aux confinements et à la volonté des français d'avoir plus d'espace chez eux.

On regarde ensuite le nombre de mutations par département sur les 2 années.

data2020 = df2020[["Code departement"]]
data2019= df2019[["Code departement"]]


data2020=data2020.groupby('Code departement')['Code departement'].count().reset_index(name='counts 2020')
data2019=data2019.groupby('Code departement')['Code departement'].count().reset_index(name='counts 2019')
data=data2020
data['counts 2019']=data2019['counts 2019']
#data.head()

data=data.sort_values(by='counts 2020',ascending=False).reset_index(drop=True)

data.style.background_gradient(cmap='Reds')

	Code departement	counts 2020	counts 2019
0	33	91383	100948
1	59	84457	95722
2	44	81755	90792
3	77	66274	73223
4	35	63357	64254
5	6	58686	74851
6	75	54130	68183
7	78	53077	63659
8	69	51630	89257
9	85	49734	52456
10	13	49004	84996
11	49	47581	56516
12	95	46746	52622
13	30	45227	46776
14	93	43135	54752
15	62	43019	54046
16	94	43004	48626
17	91	42243	52876
18	60	42073	35008
19	22	41201	49225
20	24	38826	46138
21	92	38816	70170
22	56	37066	52205
23	42	36870	39374
24	50	36539	37696
25	54	35067	37669
26	76	33474	53650
27	34	33172	71584
28	45	30551	36977
29	1	28478	42134
30	72	28313	33436
31	16	27702	30827
32	17	27299	57736
33	40	27262	34781
34	74	27034	53404
35	11	26953	29919
36	87	26311	30488
37	31	26113	77224
38	86	26022	31665
39	88	25674	27702
40	83	25672	65955
41	2	25540	26888
42	51	25418	26815
43	47	24397	25611
44	41	24307	24470
45	37	23889	39642
46	64	23507	41923
47	89	23450	24916
48	63	23095	42377
49	79	22788	28676
50	80	22589	25560
51	28	22282	22177
52	38	21200	59185
53	71	19885	36104
54	18	19445	24440
55	53	19280	21569
56	7	16690	27731
57	70	16020	16404
58	29	15760	58122
59	23	15579	18171
60	39	15505	17819
61	3	15114	22635
62	32	14816	19353
63	19	14708	20745
64	82	14582	19699
65	43	13466	21156
66	8	13344	14379
67	14	12356	47132
68	26	12190	24897
69	27	12122	27891
70	84	11927	21470
71	10	11879	17592
72	9	11668	20202
73	58	11282	17016
74	61	10009	19353
75	73	9834	38882
76	21	9660	33229
77	81	9304	24734
78	4	8331	11300
79	52	7409	12313
80	25	7305	27228
81	974	7273	17505
82	65	6971	14885
83	5	6174	13560
84	66	5878	17248
85	36	5376	17022
86	90	5048	5332
87	15	4871	11412
88	48	4679	8173
89	46	4356	19780
90	2A	3374	8288
91	973	3295	3234
92	972	2909	7080
93	55	2892	14538
94	12	1888	22949
95	971	1254	6531
96	2B	460	6346

Ce tableau met en avant la baisse globale du nombre de transactions, et aussi pour certains départements une baisse plus nette (31, 83, 38, 29, 14). On trace alors la croissance pour avoir des informations plus précises.

#on reprends data du bloc précédent
data["Croissance en %"]=(data['counts 2020']-data['counts 2019'])*100/data['counts 2019']
data=data.sort_values(by='Croissance en %',ascending=False).reset_index(drop=True)
data=data[data['Code departement']<'95']

#data.head()
fig=px.bar(data, x="Code departement",y="Croissance en %",title='Croissance en % du nombre de mutations par département entre 2019 et 2020')
fig.update_layout(xaxis_type = 'category')

fig.show()

Ce graphique représente l'évolution en % du nombre de mutations effectuées par département. Les seuls départements enregistrant une hause sont le 60 et le 28, deux départements ruraux proches de la région parisienne. On justifie cela part la même volonté d'avoir plus d'espaces chez soit, notamment pour les habitants de la région parisienne. Ensuite, on observe une baisse pour tous les autres départements, allant jusque -92% pour le 2B (Haute-Corse). Les départements parisiens ne sont pas ceux enregistrant les plus fortes baisses cependant.

On s'intéresse pour conclure à l'évolution du prix au m2 au cours de ces 2 années pour un département choisi (graphique dynamique sur django).

Ici on prend le 75 (Paris).

dept_choisi='75'


data2020=df2020[['Date mutation','Code departement','Surface reelle bati','Valeur fonciere']]
data2020['Surface reelle bati']=data2020[data2020['Surface reelle bati']>0]['Surface reelle bati']
data2020['Prix m2']=data2020["Valeur fonciere"]/data2020['Surface reelle bati']

data2019=df2019[['Date mutation','Code departement','Surface reelle bati','Valeur fonciere']]
data2019['Surface reelle bati']=data2019[data2019['Surface reelle bati']>0]['Surface reelle bati']
data2019['Prix m2']=data2019["Valeur fonciere"]/data2019['Surface reelle bati']
#data2020.head()

#on sélectionne les lignes du département choisi
data2020=data2020[data2020['Code departement']== dept_choisi]
data2019=data2019[data2019['Code departement']== dept_choisi]

#data2020.head()

data2020=data2020.drop(['Valeur fonciere','Surface reelle bati'], axis=1)
data2019=data2019.drop(['Valeur fonciere','Surface reelle bati'], axis=1)
#data2020.head()

#on groupe par les semaines de l'année pour plus de lisibilité
data2020=data2020.groupby(data2020['Date mutation'].dt.weekofyear).agg(['count','mean']).reset_index().rename(columns={'count':'Nombre de transactions','mean':'Moyenne des prix au m2'})
data2019=data2019.groupby(data2019['Date mutation'].dt.weekofyear).agg(['count','mean']).reset_index().rename(columns={'count':'Nombre de transactions','mean':'Moyenne des prix au m2'})

#data2019.info()
data2019.columns = ['Date mutation', 'Nombre de transactions','Moyenne des prix au m2']
data2020.columns = ['Date mutation', 'Nombre de transactions','Moyenne des prix au m2']

#data2019.head()


fig1 = go.Figure()
fig1.add_trace(go.Scatter(x=data2019['Date mutation'], y=data2019['Moyenne des prix au m2'],name='2019'))
fig1.add_trace(go.Scatter(x=data2020['Date mutation'], y=data2020['Moyenne des prix au m2'],name='2020'))

fig1.update_layout(xaxis_title='Semaine',
                   yaxis_title='Prix au m2',title="Evolution du prix au m2 au cours de l'année pour ce département")
fig1.show()

Pour Paris, on observe une hausse très nette pendant le premier confinement de 2020, coincidant avec le besoin de trouver des espaces plus grands et de partir de chez soit dû à l'impossibilité de sortir pendant cette période.